FormBharo：為印度農村設計的語音對話填表系統

在印度，幾乎所有社會福利的申請都始於填表，但最需要這些福利的人群往往缺乏读写能力。目前這項工作依賴前線健康工作者逐一為受益人登記，這種方式對有限的資源而言效率極低。研究團隊開發了 FormBharo（印地語意為「填表」），這是一套語音智能體，旨在透過電話通話在嚴格的延遲和成本預算下，結合大型語言模型（LLMs）與確定性規則驗證及流程控制，來填寫結構化表單。

該系統目前正與印度非政府組織 ARMMAN 進行試點合作，ARMMAN 在印度運營大規模的母嬰移動健康項目。FormBharo 專門針對低收入、使用印地語的母親，協助她們完成產前和產後護理的登記。據研究團隊表示，這是首個針對該人群進行登記表單填寫試點的語音智能體。

為了評估系統效能，研究團隊開源了 FormVoiceAgentBench 基準資料集，該資料集包含人類錄製的印地語語音，以及涵蓋 960 個模擬通話的 3,760 個多轉向對話測試，用於評估語音轉寫、資訊提取、回覆生成及端到端表單填寫的表現。研究發現，當 LLMs 接收包含錯誤的真實語音轉寫而非參考轉寫時，表單填寫率會下降高達約 41 分。

研究數據顯示，確定性規則控制能恢復許多單輪次的提取錯誤，幫助較小、較便宜的模型在表單填寫上匹配甚至超越前沿模型。此外，組件效能並不預測端到端效能：GPT-5.5 在參考轉寫上的單輪提取準確率達到 99.8%，但在表單填寫的排名卻較低。由於錯誤在整個流程中既會傳播也會相互抵消，最佳模型選擇必須透過端到端評估才能確立。

由於沒有任何單一模型能同時在準確性、成本和延遲上表現最佳，研究團隊採用基於帕累托的加權總和標量化方法，選擇了一個平衡這三項指標的部署配置。這表明在真實的語音變異環境下，單純依賴單一組件的優異表現無法保證最終的表單填寫成功。